論文の概要: A Fused Gromov-Wasserstein Approach to Subgraph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2502.20885v1
• Date: Fri, 28 Feb 2025 09:32:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:43:26.774457
• Title: A Fused Gromov-Wasserstein Approach to Subgraph Contrastive Learning
• Title（参考訳）: グラフコントラスト学習のための融合グロモフ・ワッサーシュタインアプローチ
• Authors: Amadou S. Sangare, Nicolas Dunou, Jhony H. Giraldo, Fragkiskos D. Malliaros,
• Abstract要約: We present a new method called Fused Gromov Wasserstein Subgraph Contrastive Learning (FOSSIL)。 我々のモデルはノードレベルとサブグラフレベルのコントラスト学習を統合し、標準的なノードレベルコントラスト学習とFused Gromov-Wasserstein距離をシームレスに組み合わせる。 FOSSILは現在の最先端の手法に比べて性能が優れているか、競争力がある。
• 参考スコア（独自算出の注目度）: 4.6210788730570584
• License:
• Abstract: Self-supervised learning has become a key method for training deep learning models when labeled data is scarce or unavailable. While graph machine learning holds great promise across various domains, the design of effective pretext tasks for self-supervised graph representation learning remains challenging. Contrastive learning, a popular approach in graph self-supervised learning, leverages positive and negative pairs to compute a contrastive loss function. However, current graph contrastive learning methods often struggle to fully use structural patterns and node similarities. To address these issues, we present a new method called Fused Gromov Wasserstein Subgraph Contrastive Learning (FOSSIL). Our model integrates node-level and subgraph-level contrastive learning, seamlessly combining a standard node-level contrastive loss with the Fused Gromov-Wasserstein distance. This combination helps our method capture both node features and graph structure together. Importantly, our approach works well with both homophilic and heterophilic graphs and can dynamically create views for generating positive and negative pairs. Through extensive experiments on benchmark graph datasets, we show that FOSSIL outperforms or achieves competitive performance compared to current state-of-the-art methods.
• Abstract（参考訳）: ラベル付きデータが不足したり、利用できない場合には、自己教師付き学習がディープラーニングモデルをトレーニングするための重要な方法となっている。 グラフ機械学習は様々な分野において大きな可能性を秘めているが、自己教師付きグラフ表現学習のための効果的なプレテキストタスクの設計は依然として困難である。 グラフ自己教師型学習の一般的なアプローチであるコントラスト学習は、正と負のペアを利用して、対照的な損失関数を計算する。 しかし、現在のグラフの対照的な学習手法は、しばしば構造パターンとノードの類似性を完全に利用するのに苦労する。 これらの問題に対処するため,Fused Gromov Wasserstein Subgraph Contrastive Learning (FOSSIL) と呼ばれる新しい手法を提案する。 我々のモデルはノードレベルとサブグラフレベルのコントラスト学習を統合し、標準的なノードレベルコントラスト学習とFused Gromov-Wasserstein距離をシームレスに組み合わせる。 この組み合わせは、ノードの特徴とグラフ構造を同時に捉えるのに役立ちます。 重要なことに、我々のアプローチはホモ親和グラフとヘテロ親和グラフの両方でうまく機能し、正と負のペアを生成するために動的にビューを作成することができる。 ベンチマークグラフデータセットに関する広範な実験により、FOSSILは現在の最先端手法と比較して性能が優れ、競争性能が向上することを示した。

関連論文リスト

• Closer through commonality: Enhancing hypergraph contrastive learning with shared groups [0.5301123956835609]
  ハイパーグラフに固有の複雑な高次元情報を活用するために,ハイパーグラフファイングレードコントラスト学習法(HyFi)を提案する。 提案手法は,高次元ハイパーグラフ情報を効果的に活用し,既存のグラフベースのコントラスト学習法よりも大幅に改善され,トレーニング速度やGPUメモリコストの面で効率的である。
  論文  参考訳（メタデータ） (2025-02-12T14:16:45Z)
• Uncovering Capabilities of Model Pruning in Graph Contrastive Learning [6.872289094878493]
  我々は、拡張ビューではなく、異なるモデルバージョンを対比することで、グラフのコントラスト学習の問題を再構築する。 教師なしおよび転送学習によるグラフ分類に関する様々なベンチマークにおいて,本手法を広範囲に検証する。
  論文  参考訳（メタデータ） (2024-10-27T07:09:31Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• ARIEL: Adversarial Graph Contrastive Learning [51.14695794459399]
  ARIELは、ノードレベルとグラフレベルの両方の分類タスクにおいて、現在のグラフコントラスト学習法よりも一貫して優れている。 ARIELは敵の攻撃に対してより堅牢である。
  論文  参考訳（メタデータ） (2022-08-15T01:24:42Z)
• Adversarial Graph Contrastive Learning with Information Regularization [51.14695794459399]
  コントラスト学習はグラフ表現学習において有効な方法である。 グラフ上のデータ拡張は、はるかに直感的ではなく、高品質のコントラスト的なサンプルを提供するのがずっと難しい。 逆グラフ比較学習(Adversarial Graph Contrastive Learning, ARIEL)を提案する。 さまざまな実世界のデータセット上でのノード分類タスクにおいて、現在のグラフのコントラスト学習方法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2022-02-14T05:54:48Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Cross-view Self-Supervised Learning on Heterogeneous Graph Neural Network via Bootstrapping [0.0]
  不均一グラフニューラルネットワークは、優れた能力を持つ異種グラフの情報を表現することができる。 本稿では,多数のペアを生成することなく優れた表現を生成できるシステムを提案する。 提案モデルは,様々な実世界のデータセットにおいて,他の手法よりも最先端の性能を示した。
  論文  参考訳（メタデータ） (2022-01-10T13:36:05Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。